Bloomberg 兩年實驗：9000 名工程師導入 AI，為何主管反而變成「文盲」？
9000 名工程師的實驗室
這不是一個關於某個敏捷新創團隊如何擁抱 AI 的故事。這是一艘擁有數十億行程式碼、9000 多名軟體工程師的金融科技巨輪——Bloomberg——如何在兩年內調頭轉向的真實紀錄。
Bloomberg 的技術基礎設施部門負責人 Lei 在最近的一次分享中，揭露了他們大規模導入 AI 輔助開發的歷程。他們不僅是導入了 Copilot 類型的工具，更深入到了自動化程式碼修補和事件響應等深水區。
然而，在這場耗時兩年的大規模實驗中，數據揭示了一個違反直覺、甚至讓管理層感到不安的現象：
第一線工程師的 AI 採用率與適應速度，遠遠高於他們的領導層。
這不僅僅是「年輕人比較會用新工具」的代溝問題，這暴露了企業 AI 轉型中一個最被忽視的結構性風險：當基層生產力發生指數級躍升時，依靠「舊經驗」進行管理的主管們，正逐漸成為新時代的「功能性文盲」。
斷層危機：為什麼資深主管反而變成「弱勢群體」？
在過去的軟體工程世界裡，資歷代表著「直覺」。
一個資深主管或 Tech Lead，憑藉著 10 年、20 年的經驗，能夠精準地判斷一個任務的成本：「寫這個腳本大概要半天」、「做這個重構風險很高，需要兩週測試」。這種 工程直覺 (Engineering Intuition) 是他們管理價值是核心。
但 AI 瞬間摧毀了這套估值體系。
Lei 指出，現在寫一個一次性的資料處理腳本，可能只需要 4 分鐘，而不是 4 小時。閱讀並理解一段數千行的 Legacy Code，不再需要啃三天文檔，AI 可以瞬間給出摘要。
問題來了：如果主管不知道這些新工具的「能力邊界」在哪裡，他們就無法正確地指導團隊。
這導致了兩個危險的極端：
- 低估風險： 以為 AI 生成的程式碼就能用，忽略了驗證成本。
- 低估潛力： 繼續用舊的節奏派發任務，導致團隊產能被嚴重閒置，或者錯失了利用 AI 進行更大規模重構的機會。
Bloomberg 發現，許多主管因為脫離了第一線程式開發工作，面對 AI 工具時反而比實習生更無所適從。他們依然具備寶貴的架構觀和領域知識，但在「執行層面」的判斷力上，他們正在失明。
為此，Bloomberg 採取了一個強硬的手段：主管再教育 (Leadership Workshops)。這不是選修課，而是必修課。目的是讓主管們重新校準他們的工程直覺，了解在 AI 時代，什麼變簡單了，什麼依然困難。
成本函數的劇變 (The Cost Function Reset)
Lei 在演講中提出了一個非常深刻的洞察：「AI 改變了軟體工程的成本函數 (Cost Function)。」
當生產要素的價格改變時，生產方式必然隨之改變。
什麼變便宜了？
- 生成程式碼 (Generation)： 邊際成本趨近於零。
- 雜活 (Toil)： 寫測試、寫文檔、寫腳手架 (Scaffolding)。
- 理解 (Understanding)： 快速解讀錯誤日誌 (Telemetry) 或複雜的依賴關係。
什麼變貴了（或成為新瓶頸）？
- 審核 (Review)： Bloomberg 發現導入 AI 後，平均開啟的 PR (Pull Request) 數量增加了，但合併 (Merge) 的時間也變長了。因為生成的程式碼多了，但人類審核員的頻寬沒有變，甚至因為對生成程式碼的不信任而審得更慢。
- 驗證 (Verification)： AI 可以寫出看起來完美的程式碼，但驗證它是否正確（特別是在缺乏測試覆蓋的老舊系統中）變得極其昂貴。
- 決策 (Decision)： 既然實作變快了，「決定要做什麼」 (What to achive) 比 「如何做」 (How to achieve) 變得重要得多。
這給管理者的啟示是：如果你只盯著「開發速度」看，你可能會興奮地發現團隊產出翻倍，然後絕望地發現整個交付管道被塞爆，技術債不減反增。
在 AI 時代，Review 和 Verification 才是新的黃金。
對策：特洛伊木馬與黃金路徑
面對 9000 人的組織慣性，Bloomberg 如何推動這場變革？他們採取了「由下而上」與「由上而下」的夾擊策略。
1. 新人作為變革代理人 (New Hires as Change Agents)
這是一個非常聰明的「特洛伊木馬」策略。Bloomberg 直接將 AI Coding 納入新員工的入職訓練 。
當這些剛畢業或剛加入的工程師帶著「AI 原生」的工作流回到各自的團隊時，他們產生了強大的**「逆向導師」** 效應。
「嘿，為什麼我們還要手寫這個？為什麼不用 AI 生成？」
Lei 發現，這種來自同儕的挑戰，比高層發布的 Memo 有效得多。它迫使資深員工不得不正視新工具的價值。
2. 黃金路徑 (Golden Path) 與 MCP Hub
在工具層面，Bloomberg 堅持一個原則：「讓對的事極度容易，錯的事極度困難 (Make the right thing extremely easy, and the wrong thing ridiculously hard)。」
面對成千上萬個工程師想要打造自己的 AI 機器人（例如 Incident Response Bot），如果不加管控，很快就會變成一場災難：重複造輪子、資安漏洞百出、模型碎片化。
Bloomberg 建立了一個 MCP Hub (Model Context Protocol Hub)。
- 你想要一個連接 Grafana 的 AI 服務？Hub 裡有標準版。
- 你想要一個連接 GitHub 的 Agent？去 Hub 拿。
透過標準化接口 (MCP) 和平台化服務 (Paved Path Gateway)，他們在釋放創新活力（讓大家隨便試）和保持架構整潔（生產環境必須走標準流程）之間取得了平衡。
回歸基本面
AI 並沒有讓軟體工程「消失」，相反的，它讓軟體工程變成了更純粹的**「工程」**。
當「寫程式碼」本身不再是門檻，我們被迫進行一場靈魂拷問 ：「到底什麼是高品質的軟體工程？」
是更穩健的架構？是更全面的測試覆蓋？還是更深刻的業務理解？
對於管理者來說，這是一個焦慮與機會並存的時刻。過去的經驗可能失效，但對系統穩定性、可維護性的堅持永遠不會過時。這不需要成為 Prompt Engineer，但需要放下身段，像個實習生一樣去重新探索工具的邊界。別讓經驗，成為團隊進步的天花板。
